小白搭建RTX3090环境对应的深度学习环境~tensorflow环境搭建/pytorch环境搭建

最近买了一块新出的RTX3090对应的GPU，主要就是想买块好点的GPU供以后的学习使用，而且最近由于RTX20系列的存货积压，普通用户基本上买3080以下系列的显卡都只能买黄牛手中的显卡，一张5000多的RTX3080能炒到8000多，所以综合考虑还不如买新出的RTX3090显卡，至少花的钱能够加上显存。搭建环境的过程中遇到了很多的阻碍，但是经过网上查阅资料等重重困难之后，最终还是成功地将这一块新型的GPU投入使用了，这里总结一下通过GPU搭建相应的学习环境中的对应的过程。
可用搭配：470.63.01+cuda11.1.0+cudnn8.2.0
Minimal BASH-like line editingis supported.解决方法
这里是由于选择最小安装造成的，实验了一下，如果安装的时候选择正常安装，则不会出现类似的问题
ubuntu的分区方案
分区完成之后，首先需要禁用nvidia驱动内容
禁用nvidia驱动内容
禁用nvidia驱动的过程之中需要注意，使用命令

sudo vim /etc/modprobe.d/blacklist-nouveau.conf 

如果对应的目录之下没有blacklist-nouveau.conf文件，有可能为blacklist.conf文件
注意如果是双系统的情况下，一定要关闭BIOS中的安全模式，否则有可能打不开系统屏幕一直发黑，左上角的光标不断地闪烁，这种情况是显卡驱动不能带动显卡或者找不到引导块两种情况
1.下载安装对应的驱动程序
这里我选择的对应驱动程序为456.55，下载驱动对应的网址为驱动程序网址
如果使用linux的话，对应的驱动程序好像必须为450版本，否则会安装失败
这里驱动程序安装没有特别大的难点，所以不作详细介绍了
注意如果之前安装过相应的驱动程序之后，重新装对应的驱动程序需要先选择自定义安装，然后在后续安装的步骤中选择相应的清洁模式，这样安装的过程中会自动删除之前的驱动程序。
安装驱动之前先

sudo apt-get update
sudo apt-get install gcc
sudo apt-get install cmake

具体的操作步骤可以参考下面的这篇文章
具体的操作步骤
一定要注意里面的关闭secure boot和原先的显卡驱动内容
注意这里最后的–no-opengl-files应该写作–no-opengl-files的命令
实在找不到对应版本就自动安装

ubuntu-drivers devices   # 查询所有ubuntu推荐的驱动

然后进行相应的自动安装
比如推荐的是下面几种

driver   : nvidia-driver-460 - distro non-free
driver   : nvidia-driver-470-server - distro non-free
driver   : nvidia-driver-470 - distro non-free recommended
driver   : nvidia-driver-460-server - distro non-free
driver   : xserver-xorg-video-nouveau - distro free builtin

自动安装的时候

sudo apt-get install nvidia-driver-470

如果黑屏的时候，可以使用如下的命令

sudo /usr/bin/nvidia-uninstall

以及

sudo apt-get uninstall nvidia*

后来排查出来，开机是由于有两块显卡，一块核显一块独显，而内容显示不出来是由于现在调用的为核显，导致开屏之后显卡与驱动不兼容

对应的几种错误

Unable to find the development tool `cc` in your path; please make    
         sure that you have the package 'gcc' installed.

解决命令

sudo apt-get update
sudo apt-get install gcc

对应的错误2

Unable to find the development tool `make` in your path; please make  
         sure that you have the package 'make' installed.  

解决命令

sudo apt-get update
sudo apt-get install make

2.下载安装对应的cuda以及cudnn程序
安装步骤可以参照这篇相应的博客内容
cuda和cudnn安装说明
这里的cuda到官网上按照对应的指令下载安装即可
另外，如果到官网上去查看对应的cuda版本，它也会相应的指出它支持的显卡的版本

Installation Instructions:
Double click cuda_11.0.2_451.48_win10.exe
Follow on-screen prompts

这里需要特别避坑的一个点是cuda一定不能去安装10.1, 10.2 或者 11.1，而10.2一下会对cuda的安装出现不匹配的问题，所以其实这里的cuda只能去选择11.0的版本。cuda11.0官网上有两个版本，我选择的下载版本对应的链接如下：
cuda11.0安装版本
这里的cudnn我选择的是8.05的版本，感觉8.04版本可能也可以匹配上，但是自己没有去亲自实验过，因为好不容易tensorflow能够检验到gpu了，对应的cudnn下载链接如下：
cudnn下载链接
选择其中对应的能够匹配CUDA 11.0的对应的选项，到对应的archive中寻找

注意！！！这里的cudnn如果使用cudnn9以上的版本，此时上面的安装教程已经不适用了，而如果使用cudnn8的版本，仍然按照上面的教程。
使用下面的链接安装cudnn
cudnn安装地址
所有内容都安装完成之后，在jupyter notebook中运行代码判断能否在代码中加入gpu，
然而配置之后我意外的发现，虽然tensorflow可以成功地调用相应的gpu资源，但是pytorch却无法成功地调用相应的gpu资源，所以这里我们还需要对相应的pytorch库进行配置。
首先进入相应的官网：
pytorch配置的官网
选中自己配置的相应的环境内容

使用如下的指令进行相应的配置

pip install torch===1.7.1+cu110 torchvision===0.8.2+cu110 torchaudio===0.7.2 -f https://download.pytorch.org/whl/torch_stable.html

之后再次调用pytorch判断是否有gpu的存在

这里发现能够成功地加入gpu，这样rtx3090终于成功地配置上去了!!!